2022年 第003篇
本文介绍了国际竞赛DSTC10开放领域对话评估赛道的冠军方法MME-CRS，该方法设计了多种评估指标，并利用相关性重归一化算法来集成不同指标的打分，为对话评估领域设计更有效的评估指标提供了参考。相关方法已同步发表在AAAI 2022 Workshop上。希望能给从事该技术领域工作的同学一些启发或帮助。
- 1 背景
- 2 赛题简介
- 3 现有方法和问题
- 3.1 现有方法
- 3.2 问题
- 4 我们的方法
- 4.1 基础指标
- 4.2 集成方法CRS
- 5 实验分析
- 5.1 实验结果
- 5.2 消融实验
- 5.3 CRS效果
- 6 总结
- 参考文献
- 作者简介
1 背景
对话系统技术挑战赛DSTC（The Dialog System Technology Challenge）由微软、卡内基梅隆大学的科学家于2013年发起，旨在带动学术与工业界在对话技术上的提升，在对话领域具有极高的权威性和知名度。对话系统挑战赛今年已举办至第十届（DSTC10），吸引了微软、亚马逊、卡内基梅隆大学、Facebook、三菱电子研究实验室、美团、百度等全球知名企业、顶尖大学和机构同台竞技。
DSTC10共包含5个Track，每个Track包含某一对话领域的数个子任务。其中Track5 Task1 Automatic Open-domain Dialogue Evaluation较为系统全面地将开放领域对话的自动评估任务引入DSTC10比赛中。开放领域对话自动评估是对话系统的重要组成部分，致力于自动化地给出符合人类直觉的对话质量评估结果。相比于速度慢、成本高的人工标注，自动化评估方法可以高效率、低成本地对不同对话系统进行打分，有力促进了对话系统的发展。
不同于任务型对话有一个固定的优化目标，开放领域对话更接近人类真实的对话，评估难度更大，因而吸引了广泛的关注。DSTC10 Track5 Task1比赛共包含14个验证数据集（共包含37种不同的对话评估维度）和5个测试数据集（共包含11个评估维度）。美团语音团队最终以平均0.3104的相关性取得了该比赛的第一名，该部分工作已完成一篇论文MME-CRS: Multi-Metric Evaluation Based on Correlation Re-Scaling for Evaluating Open-Domain Dialogue，并收录在AAAI2022 Workshop。
图1 DSTC10对话系统挑战赛
2 赛题简介
开放领域对话评估比赛收集了对话领域论文中的经典数据集，包括14个验证数据集（12个Turn-Level级别数据集和2个Dialog-Level级别数据集）和5个测试数据集。
数据集中的每个对话主要包含以下信息：
- Context：对话中的提问，或者说对话的上下文。
- Response：针对Context的回复，也即评估的具体对象；对话数据集中的Response一般由不同对话生成模型产生，如GPT-2和T5。
- Reference：人工给出的针对Context的参考回答，一般为5条左右。
每个对话包含多个评估维度，如Context和Response的相关性，Response本身的流畅度等。每个数据集的评估维度不同，14个验证集总共包含37种不同的评估维度，具体包含Overall、Grammar、Relevance、Appropriateness、Interesting等。每个评估维度都有人工标注的打分，打分从1到5，分数越高表示当前评估维度的质量越高。
验证集和测试集的统计信息如图2和图3所示：
图2 DSTC10 Track5 Task1验证集数据统计信息
图3 DSTC10 Track5 Task1测试集数据统计信息
其中Turns表示对应数据集中的对话轮数；Qualities表示数据集中每个对话的评估维度，每个评估维度都有对应的人工标注打分；Annos表示每个数据集的标注量。
在该比赛中，每个数据集每个对话每个评估维度都有人工标注的打分，打分范围一般为1到5，一般求均值用于相关性计算。参赛队伍需要设计评估指标用于预测每个对话不同评估维度的打分。每个数据集的每个评估维度的预测打分会和人工标注的打分计算Spearman相关性，最后的比赛结果基于全部测试数据集的评估维度求均值。
3 现有方法和问题
3.1 现有方法
开放领域对话的自动评估方法主要分为三类。
Overlap-based方法
早期研究人员将对话系统中Reference和Response类比于机器翻译中的原句和翻译句，借鉴机器翻译的评价指标来评估对话质量。Overlap-based方法计算对话中Response和Reference之间的词重叠情况，词重叠越高打分越高。经典方法包括BLEU[1]和ROUGE[2]等，其中BLEU根据精确率衡量评估质量，而ROUGE根据召回率衡量质量。Response的评估依赖于给定的Reference，而开放领域下合适的Response是无限的，因此，Overlap-based方法并不适用于开放领域对话评估。
Embedding-based方法
随着词向量和预训练语言模型的快速发展，Embedding-based评估方法取得了不错的性能。基于深度模型分别编码Response和Reference，并基于二者的编码计算相关性打分。主要方法包括Greedy Matching[3]、Embedding Averaging[4]和BERTScore[5-6]等。Embedding-based方法相比Overlap-based方法有较大的提升，但是同样依赖于Reference，仍然存在较大的优化空间。
Learning-based方法
基于Reference的开放领域对话评估存在一个One-To-Many[7]困境：即开放领域对话合适的Response是无限的，但人为设计的Reference是有限的（一般为5条左右）。因此，基于对比Reference和Response的相似性（字面重叠或者语义相似）设计开放领域评估方法存在较大局限性。相比已有的Overlap-based方法和Embedding-based方法，ADEM方法[8]首次使用层次化的编码器来编码Context和Reference，并对输入的Response进行打分。ADEM方法基于模型打分和人工打分的均方误差来优化模型参数，期望逼近人类的打分。ADEM模型相比Overlap-based方法和Embedding-based方法取得了很大的成功，Learning-based方法也逐渐成为了开放领域自动化评估的主流方法。
为了不断提高对话评估的准确和全面性，各种不同的评估维度层出不穷。为了应对越来越多评估维度带来的挑战，USL-H[9]将评估维度分为Understandability、Sensibleness和Likeability三类，如图4所示。USL-H针对性提出了VUP（Valid Utterance Prediction）、NUP（Next Utterance Prediction）和MLM（Mask Language Model）3种指标，分别衡量对话中：
- Response是否通顺流畅。
- Context和Respose的相关程度。
- Response本身是否详细，更像人类等。
图4 USL-H评估算法的分层次模型
3.2 问题
现有的评估方法主要有以下问题：
设计的对话指标不够全面，难以综合衡量对话的质量
现有的自动评估方法主要聚焦在个别数据集的部分评估维度上。以当前较为全面的USL-H为例，该方法考虑了Response的流畅度、丰富度以及Context-Response句子对的相关性，但是USL-H忽略了：
- 更细粒度的Context-Response句子对的主题一致性。
- 回复者对当前对话的参与度。
实验证明，这些指标的遗漏严重影响了评估方法的性能。为了更全面稳定地评估多个对话数据集，设计考虑更多评估维度的指标势在必行。
缺乏有效的指标集成方法
现有方法大多倾向于为每种评估维度设计一种评估指标，这种思路面对越来越多的评估维度显得力不从心（考虑下比赛测试集共包含37种不同的评估维度）。每种对话维度的评估可能依赖数种评估指标，如Logical评估维度需要对话：1）Response流畅；2）Response和Context是相关的。设计基本的评估子指标，再通过合适的集成方法集成多个子指标打分，可以更全面有效表示不同的对话评估维度。
4 我们的方法
针对评估指标不够全面，本文设计了5类共7种评估指标（Multi-Metric Evaluation，MME）用于全面衡量对话的质量。基于设计的5类7种基础指标，我们进一步提出了相关性重归一化方法（Correlation Re-Scaling Method，CRS）来集成不同评估指标的打分。我们将提出的模型称为MME-CRS，模型整体架构图5所示：
图5 模型总体架构设计图
4.1 基础指标
为了解决现有方法的第一个问题，即设计的对话指标不够全面，我们在比赛中设计了5类共7种评估子指标。
4.1.1 Fluency Metric (FM)
目的：分析Response本身是否足够流畅可理解。
内容：首先基于Dailydialog数据集[10]构建response流畅度数据集，流程如下：
- 在Dailydialog数据集中随机选择一个Response，并以0.5概率决定r是正样本还是负样本。
- 如果样本r是正样本，随机选择一种调整：a.不调整；b.对每一个停用词，以0.5的概率删除。
- 如果样本r是负样本，随机选择一种调整：a.随机打乱词序；b.随机删除一定比例的词语；c.随机选择部分词语并重复。
基于上述规则构建流畅度数据集后，在预训练模型SimCSE模型[11]上微调。微调后的模型可以计算任一对话的Response流畅度打分，记为FM打分。
4.1.2 Relevance Metric (RM)
目的：分析Context和Response的相关程度。
内容：基于Dailydialog数据集构建Context-Response句子对形式的相关性数据集，其中句子对相关为正样本，不相关则为负样本。负样本的通常构建思路是将Response随机替换成其他对话的Response。PONE方法[12]指出随机挑选的Respose和Context基本不相关，模型训练收益很小。因此，这里的做法是随机选择10条Response，并计算和真实Response的语义相关度，并选择排名居中的句子作为伪样本。构造数据集后再在SimCSE模型上微调，微调后的模型可用于计算对话中Context和Response的相关度打分，记为RM打分。
4.1.3 Topic Coherence Metric (TCM)
目的：分析Context和Response的主题一致性。
内容：GRADE方法[13]构建了Context和Response的主题词级别的图表示，并计算了Context和Response的主题词级别的相关度。相比粗粒度的相关性指标，GRADE更加关注细粒度级别的主题相关程度，是相关性指标的有效补充。TCM指标借鉴GRADE方法。
具体流程如下：首先提取Context和Response中的关键词构建图，其中每个关键词都是一个节点，只有Context和Response的关键词之间存在边。基于ConceptNet获取每个节点的表示，再使用图注意力网络（GATs）聚集关键词邻居节点的信息并迭代每个节点的表示，最后综合全部节点的表示得到对话的图表示。在主题词级别的图表示上连接全连接层用于分类，微调后的模型即可用于计算对话的TCM打分。
4.1.4 Engagement Metric (EM)
目的：分析生成Response的人或对话模型有多大的意愿参与当前对话。
内容：前面提到的指标都是从Context和Response视角评估对话质量，而用户参与度则是基于用户的视角来评估。用户参与度打分一般是0~5，分数越大，表示用户参与当前对话的兴趣越大。我们将ConvAI数据集[10]的参与度打分从1~5缩放到0~1，作为参与度打分数据集。预训练模型仍然使用SimCSE，用于预测对话的参与度打分。预训练后的模型可用于预测对话的用户参与度打分，记为EM。
4.1.5 Specificity Metric (SM)
目的：分析Response本身是否足够细节。
内容：SM指标用于避免Response模棱两可，缺乏信息量。
具体做法如下：序列Mask掉Response中的每一个Token，并基于SimCSE模型的MLM任务计算Negative Log-Likelihood损失，得到的打分称为SM-NLL。替换损失函数为Negative Cross-Entropy和Perplexity可以分别得到SM-NCE和SM-PPL打分，共3个SM指标打分。3个SM指标打分都需要分别归一化到0和1之间。
4.2 集成方法CRS
集成不同评估指标的打分是提高自动化对话评估效果的有效手段。
对每一个待评估的对话，基于上述5类7种基础指标可以得到7种不同的打分。对于待评估数据集的某个评估维度，需要综合7种指标打分得到一个综合打分，用于和人类打分计算相关性。我们的集成方法分为以下两步。
4.2.1 不同评估维度权重分布的计算
首先，计算验证集上每个数据集每个评估维度7种评估指标的相关性打分，相关性打分越大，认为该指标对该评估维度越重要。对越重要的评估指标赋予一个更大的权重，并将得到的权重在指标维度重新归一化，这样则得到了每个数据集每个评估维度上不同评估指标的权重分布：
其中是第个数据集第个评估维度上第个评估指标的相关性打分，是相关性打分的幂数，越大则相关性打分越高的指标的权重就越大。一般当max（）在1/3到1/2之间时集成效果最好，这是计算的一种简单有效手段。实验中，将设置为常数可以获得更好的泛化效果，我们将设置为2，并在验证集上计算权重分布，再迁移到测试集上，取得了比赛最优性能。
在数据集维度，将不同数据集中相同评估维度的权重求均值，得到每个评估维度在不同评估指标上的权重分布：
注意这里得到的权重分布已经和具体数据集无关，可以将权重分布迁移到测试集上。
4.2.2 计算指标打分的加权和
对每个测试集的每个评估维度，计算7种指标打分并基于第一步的权重求加权和，得到综合打分：
加权得到的综合打分和人工打分计算相关性，得到每种评估维度上的模型打分和人工打分的相关性打分。
我们的集成方法基于指标的相关性打分赋予权重并重新归一化，所以将该集成方法称为相关性重归一化方法。在得到的MME指标上使用CRS集成方法，可得MME-CRS评估算法。
5 实验分析
5.1 实验结果
我们的方法主要基于Dailydialog数据集预训练（除了EM子指标是使用ConvAI2数据集），在比赛验证集上计算集成方法的权重分布，最终在测试集上取得了0.3104的Spearman相关性打分。
图6展示了比赛基准模型Deep AM-FM[14]以及比赛Top5队伍在测试集上不同数据集评估维度的性能。本文的方法以0.3104的平均Spearman相关性系数取得了第一，且在5个数据集全部11个评估维度中的6个取得了第一，证明了本文方法的优越性能。
图6 测试集上Top 5队伍的Spearman相关性打分对比（%）
为了方便展示，图中方法采用了数据集-评估维度的展示方式。其中J、E、N、DT、DP分别表示JSALT、ESL、NCM、DST10-Topical、DSTC10-Persona数据集，而A、C、G、R分别表示Appropriateness、Content、Grammar、Relevance评估维度。我们对每个评估维度上最好的性能进行了加粗。
5.2 消融实验
在消融实验部分，我们以本文方法MME-CRS评估为基准，在集成阶段分别去除FM、RM、TCM、EM、SM、RM TCM指标，对比不同指标在集成过程中的重要性。实验性能如图7所示：
图7 测试集上不同评估指标的消融实验（%）
相关性指标RM和主题一致性指标TCM都使用了对话中的Context和Response信息，因此在实验中同时去除这两个指标，观察对性能的影响。从图7中的实验结果可以看出：
- TCM、RM和EM对于模型性能的贡献最大，打分集成阶段删除这三个评估指标后，测试集上的平均Spearman相关性打分分别降低了3.26%、1.56%和1.01%。
- 粗粒度的RM指标和细粒度的TCM指标是有益的互相补充。如果分别去除RM或TCM指标，性能会有稍微下降；如果同时去除RM和TCM指标，评估方法缺乏了Context相关的信息，性能会大幅降低到11.07%。
- SM指标在测试集上的提升基本可以忽略。我们分析原因是：测试集中用于生成Response的各个生成模型在测试集语料上过拟合较为严重，因此生成了很多非常详细，但和Context不相关的Response。因此SM指标的优劣对于测试集质量的评估基本没有作用。
5.3 CRS效果
为了分析集成算法CRS的作用，本文对比了MME-CRS和MME-Avg（将MME多个指标打分简单平均）两个评估方法的性能，如图8所示：
图8 MME-CRS和MME-Avg在测试集上的性能对比（%）
从图中可以看出，MME-CRS方法相比于MME-Avg高了3.49%，证明了CRS算法在集成子指标打分方面的优越性能。
6 总结
在本次比赛中，我们总结了开放领域对话自动评估存在的两个主要问题，即评估指标不够全面和缺乏有效的指标集成方法。针对评估指标不够全面的问题，本文设计了5类7种评估指标用于全面衡量对话的质量；基于7种基础指标，提出了相关性重归一化方法来计算每种对话评估维度的集成打分。
虽然本文方法在DSTC10比赛中取得了较好的成绩，但后续我们将继续探索其他更有效的评估指标和指标集成方法。我们正在尝试将比赛中的技术应用到美团具体业务中，如语音交互中心的智能外呼机器人、智能营销和智能客服中，在多个不同维度评估机器、人工客服与用户的对话质量，不断优化对话效果，提升用户的满意度。
参考文献
[1] Papineni, K.; Roukos, S.; Ward, T.; and Zhu, W.-J. 2002. Bleu: A method for automatic evaluation of machine translation. In Proceedings of the 40th annual meeting of the Association for Computational Linguistics, 311–318.
[2] Lin C Y. Rouge: A package for automatic evaluation of summaries[C]//Text summarization branches out. 2004: 74-81.
[3] Rus, V.; and Lintean, M. 2012. An optimal assessment of natural language student input using word-to-word similarity metrics. In International Conference on Intelligent Tutoring Systems, 675–676. Springer.
[4] Wieting, J.; Bansal, M.; Gimpel, K.; and Livescu, K. 2016. Towards universal paraphrastic sentence embeddings. In 4th International Conference on Learning Representations.
[5] Zhang, T.; Kishore, V.; Wu, F.; Weinberger, K. Q.; and Artzi, Y. 2019. BERTScore: Evaluating text generation with BERT. In International Conference on Learning Representations.
[6] Liu C W, Lowe R, Serban I V, et al. How NOT To Evaluate Your Dialogue System: An Empirical Study of Unsupervised Evaluation Metrics for Dialogue Response Generation[C]//Proceedings of the 2016 Conference on Empirical Methods in Natural Language Processing. 2016: 2122-2132.
[7] Zhao, T.; Zhao, R.; and Eskenazi, M. 2017. Learning discourse-level diversity for neural dialog models using conditional variational autoencoders. In Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers), 654–664.
[8] Lowe R, Noseworthy M, Serban I V, et al. Towards an Automatic Turing Test: Learning to Evaluate Dialogue Responses[C]//Proceedings of the 55th Annual Meeting of the Association for Computational Linguistics (Volume 1: Long Papers). 2017: 1116-1126.
[9] Phy, V.; Zhao, Y.; and Aizawa, A. 2020. Deconstruct to reconstruct a configurable evaluation metric for open-domain dialogue systems. In Proceedings of the 28th International Conference on Computational Linguistics, 4164–4178.
[10] Zhao, T.; Lala, D.; and Kawahara, T. 2020. Designing precise and robust dialogue response evaluators. In Proceedings of the 58th Annual Meeting of the Association for Computational Linguistics, 26–33.
[11] Gao T, Yao X, Chen D. SimCSE: Simple Contrastive Learning of Sentence Embeddings[J]. arXiv preprint arXiv:2104.08821, 2021.
[12] Lan, T.; Mao, X.-L.; Wei, W.; Gao, X.; and Huang, H. 2020. Pone: A novel automatic evaluation metric for open-domain generative dialogue systems. ACM Transactions on Information Systems (TOIS), 39(1): 1–37.
[13] Huang, L.; Ye, Z.; Qin, J.; Lin, L.; and Liang, X. 2020. Grade: Automatic graph-enhanced coherence metric for evaluating open-domain dialogue systems. In Proceedings of the 2020 Conference on Empirical Methods in Natural Language Processing (EMNLP), 9230–9240.
[14] Zhang, C.; D’Haro, L. F.; Banchs, R. E.; Friedrichs, T.; and Li, H. 2021. Deep AM-FM: Toolkit for automatic dialogue evaluation. In Conversational Dialogue Systems for the Next Decade, 53–69. Springer.
作者简介
鹏飞、晓慧、凯东、汪建、春阳等，均为美团平台/语音交互部工程师。
---------- END ----------
